JP6749381B2 - 採寸値とデプス画像とを相互に生成するプログラム及び装置 - Google Patents

採寸値とデプス画像とを相互に生成するプログラム及び装置 Download PDF

Info

Publication number
JP6749381B2
JP6749381B2 JP2018212569A JP2018212569A JP6749381B2 JP 6749381 B2 JP6749381 B2 JP 6749381B2 JP 2018212569 A JP2018212569 A JP 2018212569A JP 2018212569 A JP2018212569 A JP 2018212569A JP 6749381 B2 JP6749381 B2 JP 6749381B2
Authority
JP
Japan
Prior art keywords
dimension number
dimension
component variable
learning engine
teacher data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2018212569A
Other languages
English (en)
Other versions
JP2020080020A (ja
Inventor
裕樹 有光
裕樹 有光
Original Assignee
裕樹 有光
裕樹 有光
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 裕樹 有光, 裕樹 有光 filed Critical 裕樹 有光
Priority to JP2018212569A priority Critical patent/JP6749381B2/ja
Publication of JP2020080020A publication Critical patent/JP2020080020A/ja
Application granted granted Critical
Publication of JP6749381B2 publication Critical patent/JP6749381B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)

Description

本発明は、採寸値とデプス画像とを相互に生成する技術に関する。具体的には、デプス画像に基づくエンコード及びデコードの技術に関する
近年、人体形状データを検知可能な３次元スキャナの技術がある（例えば非特許文献１及び２参照）。この技術によれば、人体に対する非接触の光学三角測量によって、３次元の点群データを計測する。これら点群データは、約100万点と超高密度であり、人体計測の用途では極めて小さい誤差を実現している。このような人体形状データは、体重以外の健康管理データとしても有効なものである。
従来、骨格モデルに重ねた筋肉モデルを、被験者の測定結果に合わせて変形させる技術がある（例えば特許文献１参照）。この技術によれば、体組成計及び３次元測定器による被験者の身体的な測定結果に基づいて、被験者自身に応じた人体モデルを作成する。人体モデルは、骨格、筋肉及び脂肪をセットにした解剖的なモデルであり、これらは、被験者の測定結果に応じて変形される。これらの骨格、筋肉及び脂肪それぞれのモデルを切り替えて表示することにより、被験者は、自らの体内の状況などを視覚的に認識することができる。
また、物体を特徴パラメータで表現した３次元モデルを予め格納しておき、撮像画像から検出した特徴領域の画像を、３次元モデルに適応させる技術もある（例えば特許文献２参照）。この技術によれば、特徴領域の画像に撮像されている物体を表す、３次元モデルの特徴パラメータの値を算出する。そして、その特徴パラメータの値と、特徴領域以外の領域の画像とを出力することによって、３次元画像全体のデータ量を削減している。
このような３次元モデルに対して、２．５次元画像を撮影可能なデプスカメラ(Depth Camera)が、一般的になってきている。デプスカメラとは、奥行き情報を取得する深度センサを内蔵したカメラをいう。通常のカメラが取得する２次元の平面的な画像(RGB)に加えて、奥行き情報(Depth)を取得することによって、３次元の立体的な情報を取得することができる。この情報は、画素毎の距離情報を伴う点群データであって、「デプス画像」と称される。また、１視点から見た３次元情報しか取得できないため、概念的に「２．５次元画像」とも称される。
特開２０１７−１７６８０３号公報 特開２００９−２６８０８８号公報
「3D BODY SCANNER SCUVEG4」、株式会社スペースビジョン、[online]、［平成３０年１１月１１日検索］、インターネット＜URL:http://spacevision.ap-northeast-1.elasticbeanstalk.com/productservice/3d-body-scanner-scuveg4/＞ 「3D Body Station」、株式会社3D Body Lab、[online]、［平成３０年１１月１１日検索］、インターネット＜URL:https://www.3dbodylab.co.jp/3dbodystation/＞ 「オートエンコーダ」、[online]、［平成３０年１１月１１日検索］、インターネット＜https://deepage.net/deep_learning/2016/10/09/deeplearning_autoencoder.html＞ 「正則化」、[online]、［平成３０年１１月１１日検索］、インターネット＜https://stats.biopapyrus.jp/sparse-modeling/regularization.html＞
前述した非特許文献１及び２の場合、人体の３次元モデルを生成するために、規模的に且つコスト的に大きい３次元スキャナを用いる必要がある。また、３次元モデルは、その精度を高めるべく、頂点数を例えば15,000以上とし、各頂点も３次元(x,y,z)で表現するために、それらの次元数は、45,000以上の膨大なデータ量となる。更に、デプス画像は、例えば高さh＝960pixel、幅w＝540pixelの場合、w*h＝518,400次元のように、膨大なデータ量となる。
これに対し、本願の発明者は、光学三角測量の３次元スキャナを用意することなく、採寸値から、ユーザの体型に近い２．５次元画像（デプス画像）を簡易に生成することができないか、と考えた。例えばスマートフォンの場合、デプスカメラが、正面側に配置されて顔認証に用いられるのみならず、背面にも配置されてきている。
他の用途として、ユーザが洋服を選ぶ場合、自らの一部の採寸箇所の採寸値のみを基準にして選択している。即ち、その採寸箇所の採寸値は、ユーザの体型を表す基準となっている。
また、本願の発明者は、デプス画像のデータを、小容量で、且つ、簡易に共有（送受信）することができないか、と考えた。一般的には、例えば衣料品業界では、ユーザの体型を表す３次元モデルから、洋服の選択や採寸の調整の用途が考えられる。また、例えば医療業界では、ＤＩＣＯＭ(Digital Imaging and COmmunications in Medicine)データから各臓器のデプス画像を表す用途も考えられる。更に、広告業界では、そのユーザの体型に合わせたエージェントキャラクタを、サイネージディスプレイに表示させる用途も考えられる。そのためにも、ユーザとサービス提供者との間で、デプス画像のデータを瞬時に送受信させる必要がある。
更に、本願の発明者は、ユーザ自らの体型を表現するデプス画像は、そのユーザにとって個人情報として守秘されるべきものではないか、と考えた。即ち、そのデプス画像をエンコードしたデータ自体は、第三者にとって理解できないように暗号化されていることが好ましい。
そこで、本発明によれば、採寸値とデプス画像とを相互に生成すると共に、極めて小さいデータ容量にエンコード及びデコードすることができるプログラム及び装置を提供することを目的とする。
本発明によれば、対象データとしての１体の次元数ｎの採寸値から、デプス画像を生成する装置に搭載されたコンピュータを機能させるプログラムであって、
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
相関学習エンジンを用いて、対象データとしての１体の次元数ｎの採寸値から次元数ｍの成分変数へエンコードするエンコード手段と、
統計学習エンジンを用いて、当該次元数ｍの成分変数からデプス画像にデコードするデコード手段と
してコンピュータを機能させることを特徴とする。
本発明によれば、デプス画像をエンコードする装置に搭載されたコンピュータを機能させるプログラムであって、
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
相関学習エンジンを用いて、対象データとしての１体の次元数ｎの採寸値から次元数ｍの成分変数へエンコードするエンコード手段と
してコンピュータを機能させることを特徴とする。
本発明のプログラムにおける他の実施形態によれば、
エンコード手段は、
対象データとして１体の次元数ｎの採寸値について、ｋ（＜ｎ）個の採寸値のみ決定され、その他のｎ−ｋ個の採寸値が欠損していても、次元数ｍの成分変数を推定するために、
ｋ個の採寸値を束縛条件として、最適化された他のｎ−ｋ個の採寸値を含む次元数ｍの成分変数を算出する
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
エンコード手段は、ラグランジュの未定乗数法(method of Lagrange multiplier)を用いる
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
エンコードされた次元数ｍの成分変数を記述したタグを作成するタグ作成手段と
して更にコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
異なるモデル種別のデプス画像それぞれに、教師データ群が用意され、
統計学習エンジン及び相関学習エンジンは、モデル種別毎に、異なる教師データ群によって複数個備えられ、
エンコード手段は、次元数ｎの採寸値に基づくモデル識別子に対応した相関学習エンジンを用いて、次元数ｎの採寸値から次元数ｍの成分変数へエンコードし、
タグ作成手段は、モデル種別識別子と、当該モデル種別識別子に基づく次元数ｍの成分変数とを対応付けてタグに記述する
ようにコンピュータを機能させることも好ましい。
本発明によれば、次元数ｍの成分変数から、デプス画像へデコードする装置に搭載されたコンピュータを機能させるプログラムであって、
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
統計学習エンジンを用いて、対象データとしての次元数ｍの成分変数からデプス画像にデコードするデコード手段と
してコンピュータを機能させることを特徴とする。
本発明のプログラムにおける他の実施形態によれば、
デコード手段は、対象データとしての次元数ｍの成分変数から、相関学習エンジンを用いて、次元数ｎの採寸値を導出する
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
次元数ｍの成分変数が記述されたタグから、次元数ｍの成分変数を読み取るタグ読取手段と
してコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
異なるモデル種別のデプス画像それぞれに、教師データ群が用意され、
統計学習エンジン及び相関学習エンジンは、モデル種別毎に、異なる教師データによって複数個備えられ、
タグ読取手段は、タグから、モデル種別識別子と、当該モデル種別識別子に基づく次元数ｍの成分変数とを読み取り、
デコード手段は、読み取られたモデル種別識別子に対応した相関学習エンジンを用いて、次元数ｍの成分変数からデプス画像へデコードする
してコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
タグは、ＱＲ(Quick Response、登録商標)コード又はＲＦＩＤ(Radio Frequency IDentifier)である
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
デプス画像は、人体又は物体の形状データであり、
教師データ群の複数体数は、デプス画像の点数よりも少ないものである
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
統計学習エンジンは、主成分分析(Principal Component Analysis)又はAutoEncoderに基づくものであり、
相関学習エンジンは、最小二乗法又はElasticNetに基づくものである
ようにコンピュータを機能させることも好ましい。
本発明によれば、対象データとしての１体の次元数ｎの採寸値から、デプス画像を生成する装置であって、
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
相関学習エンジンを用いて、対象データとしての１体の次元数ｎの採寸値から次元数ｍの成分変数へエンコードするエンコード手段と、
統計学習エンジンを用いて、当該次元数ｍの成分変数からデプス画像にデコードするデコード手段と
を有することを特徴とする。
本発明によれば、デプス画像をエンコードする装置であって、
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
相関学習エンジンを用いて、対象データとしての１体の次元数ｎの採寸値を入力し、次元数ｍの成分変数へエンコードするエンコード手段と
を有することを特徴とする。
本発明によれば、次元数ｍの成分変数から、デプス画像へデコードする装置であって、
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
対象データとしての次元数ｍの成分変数から、統計学習エンジンを用いて、デプス画像にデコードするデコード手段と
を有することを特徴とする。
本発明によれば、デプス画像から、１体の次元数ｎの採寸値を推定する装置に搭載されたコンピュータを機能させるプログラムであって、
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
統計学習エンジンを用いて、対象データとしての１体のデプス画像から、当該次元数ｍの成分変数へ逆デコードする逆デコード手段と
相関学習エンジンを用いて、当該次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする逆エンコード手段と
してコンピュータを機能させることを特徴とする。
本発明によれば、デプス画像を逆デコードする装置に搭載されたコンピュータを機能させるプログラムであって、
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
統計学習エンジンを用いて、対象データとしての１体のデプス画像から、当該次元数ｍの成分変数へ逆デコードする逆デコード手段と
してコンピュータを機能させることを特徴とする。
本発明によれば、次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする装置に搭載されたコンピュータを機能させるプログラムであって、
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
相関学習エンジンを用いて、当該次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする逆エンコード手段と
してコンピュータを機能させることを特徴とする。
本発明によれば、デプス画像から、１体の次元数ｎの採寸値を推定する装置であって、
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
統計学習エンジンを用いて、対象データとしての１体のデプス画像から、当該次元数ｍの成分変数へ逆デコードする逆デコード手段と
相関学習エンジンを用いて、当該次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする逆エンコード手段と
を有することを特徴とする。
本発明によれば、デプス画像を逆デコードする装置であって、
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
統計学習エンジンを用いて、対象データとしての１体のデプス画像から、当該次元数ｍの成分変数へ逆デコードする逆デコード手段と
を有することを特徴とする。
本発明によれば、次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする装置であって、
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
相関学習エンジンを用いて、当該次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする逆エンコード手段と
を有することを特徴とする。
本発明のプログラム及び装置によれば、採寸値とデプス画像とを相互に生成すると共に、極めて小さいデータ容量にエンコード及びデコードすることができる。
本発明における採寸値からデプス画像を生成する装置の機能構成図である。 統計学習エンジンにおけるデプス画像のベクトル空間を表す説明図である。 統計学習エンジンにおける統計形状空間を表す説明図である。 統計学習エンジンにおける主成分分析を表す簡易なコードである。 採寸箇所の採寸値から導出した採寸値空間を表す説明図である。 統計形状空間と採寸値空間との線形変換を表す説明図である。 相関学習エンジンにおける統計形状空間と採寸値空間との間の線形変換を表す簡易なコードである。 本発明によってデコードされたデプス画像の精度を表す説明図である。 デプス画像をタグにエンコード及びデコードする装置の機能構成図である。 物体抽出機能の第１〜第３のステップを表す説明図である。 物体抽出機能の第４〜第５のステップを表す説明図である。 モデル種別に応じて学習エンジンを切り替える機能構成図である。 本発明における欠損値を推定する採寸値空間を表す説明図である。 本発明における欠損値推定を表す簡易なコードである。 本発明におけるデプス画像と採寸値とＱＲコードとを表すユーザインタフェースである。 本発明におけるデプス画像から採寸値を推定する装置の機能構成図である。
以下では、本発明の実施の形態について、図面を用いて詳細に説明する。
図１は、本発明における採寸値からデプス画像を生成する装置の機能構成図である。
図１の装置によれば、複数の採寸値を入力することによって、デプス画像を生成することができる。
図１によれば、装置１は、教師データ形成部１００と、統計学習エンジン１０１と、相関学習エンジン１０２と、エンコード部１１１と、デコード部１２２とを有する。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現できる。
［統計学習エンジン１０１］
統計学習エンジン１０１は、教師データ群の複数体のデプス画像を入力し、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する。
図２は、統計学習エンジンにおけるデプス画像のベクトル空間を表す説明図である。
図２によれば、教師データとしては、例えば様々な体型を持つ1,000人それぞれのデプス画像を想定している。デプス画像は、点群であって深度画像で表現されている。
図２（ａ）によれば、１体のデプス画像は、高さh=960pixel、幅w=540pixel（8bit/pixel）で表現される。即ち、１体のデプス画像は、w*h（＝518,400）次元のベクトルで表される。
図２（ｂ）によれば、１体のデプス画像は、毎に、w*h次元空間（960×540＝518,400）で表現される。
尚、一般的な機械学習エンジンによれば、膨大な数の教師データを必要とするのに対し、本発明によれば、教師データ群の複数体数は、デプス画像の点数よりも少なくてもよい。即ち、教師データの画像1,000枚は、デプス画像のベクトル次元数518,400よりも少ないということにある。即ち、教師データの複数体数を、デプス画像のベクトル次元数以上に用意する必要がない。
図３は、統計学習エンジンにおける統計形状空間を表す説明図である。
図４は、統計学習エンジンにおける主成分分析を表す簡易なコードである。
＜主成分分析＞
統計学習エンジン１０１は、具体的には、主成分分析(Principal Component Analysis)に基づくものである。
「主成分分析」によって、相関のあるw*h次元空間の1,000点から、互いに無相関で全体のばらつきを最もよく表す少数（例えば300個）の主成分（成分変数）を導出する。第１主成分の分散を最大化し、続く主成分はそれまでに決定した主成分と無相関という拘束条件の下で、分散を最大化するようにして選択される。主成分の分散を最大化することによって、観測値の変化に対する説明能力を可能な限り主成分に持たせる。主成分を与える主軸はw*h次空間の1,000点の群の直交基底となっている。主軸の直交性は、主軸が共分散行列の固有ベクトルになっており、共分散行列が実対称行列であることから導かれる。
統計学習エンジン１０１は、w*h次元空間に対して、主成分分析に基づく成分変数数を次元数とする統計形状空間（例えば300次元）に射影させる統計学習モデルを構築する。
本発明によれば、w*h(＝518,400)次元空間における各デプス画像を、例えば300次元（成分変数）空間に射影する。主成分を与える変換は、観測値の集合からなる行列の特異値分解で表され、w*h次元空間の1,000点の群からなる矩形行列Ｘの特異値分解は、以下の式で表される。
Ｘ＝Ｕ*Σ*ＶT
Ｘ：w*h次元空間の1,000点からなる行列（1,000行×w*h列）
Ｕ：n(1,000)×n(1,000)の正方行列（n次元単位ベクトルの直交行列）
Σ：n(1,000)×p(w*h)の矩形対角行列（対角成分は、Ｘの特異値）
Ｖ：p(w*h)×p(w*h)の正方行列（p次元単位ベクトルの直交行列）
ここで、Ｖの最初の300列からなる行列をＶと改める。そして、その行列Ｖによる線形変換はＸの主成分を与える。
Ｖ：w*h次元空間->統計形状(300次元)空間への変換を表す行列
Ｖ-1：統計形状(300次元)空間->w*h次元空間への変換を表す行列
尚、行列の上付き添え字-1は逆行列を示す記号ではなく、行列が定めるベクトルの変換に対して、その逆変換を意味する抽象的な記号として用いている。ここでは、Ｖ-1は、Ｖの転置ＶTと等しい。
図３からも明らかなとおり、行列Ｖ又はＶ-1による線形変換によって、w*h次元空間と統計形状空間との間で、デプス画像の１体毎に対応付けることができる。
ｓ＝ｘ*Ｖ
ｘ＝ｓ*Ｖ-1
ｓ：統計形状空間のベクトル
ｘ：w*h次元空間のベクトル
Ｖ：統計学習モデル
統計学習エンジン１０１は、オートエンコーダ(AutoEncoder)に基づくものであってもよい。
オートエンコーダは、ニューラルネットワークの一種で、情報量を小さくした特徴表現を実現する（例えば非特許文献３参照）。具体的には、入力データの次元数よりも、隠れ層の次元を圧縮したものである。入力データは、ニューラルネットワークを通して圧縮し、出力時には元のサイズに戻す。このとき、ニューラルネットワークは、入力データの抽象的概念（特徴量）を抽出する。
オートエンコーダも、主成分分析と同様に、相関のあるw*h次元空間の1,000点から、互いに無相関で全体のばらつきを最もよく表す300次元の成分変数を導出する。
［相関学習エンジン１０２］
相関学習エンジン１０２は、教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する。
図５は、採寸箇所の採寸値から導出した採寸値空間を表す説明図である。
教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられている。図５によれば、前述した図２における教師データのデプス画像の人体それぞれに、複数の採寸箇所の採寸値が付与されている。但し、採寸値は、デプス画像自体から導出されるものではなく、そのデプス画像が撮影された人体自体から採寸されたものである。即ち、デプス画像のデータと、採寸箇所の採寸値とが別個に対応付けられたものである。
この場合、採寸箇所を要素とし、採寸値をその要素値とした採寸値空間を導出することできる。例えば10カ所の採寸箇所の採寸値が付与されている場合、採寸値空間は10次元となる。
勿論、採寸箇所は、１カ所以上であればよい。身長だけでもよいし、身長＋腹囲であってもよいし、身長＋腹囲＋胸囲であってもよい。
図６は、統計形状空間と採寸値空間との線形変換を表す説明図である。
図７は、相関学習エンジンにおける統計形状空間と採寸値空間との間の線形変換を表す簡易なコードである。
＜最小二乗法＞
相関学習エンジン１０２は、最小二乗法に基づくものである。
「最小二乗法(least squares method)」とは、複数の多次元ベクトル（データの組）から線形モデルで近似する際に、残差の二乗和が最小となる最も確からしい線形モデルを決定することをいう。
図５からも明らかなとおり、行列Ａ又はＡ-1による線形変換によって、統計形状空間と採寸値空間との間で、デプス画像の１体毎に対応付けることができる。
ｓ＝ｄ*Ａ
ｄ＝ｓ*Ａ-1
Ａ＝(ＤT*Ｄ)-1*ＤT*Ｓ （||Ｄ*Ａ−Ｓ||を最小化するＡを導出する）
ｓ：統計形状空間のベクトル
ｄ：採寸値空間のベクトル
Ｓ：統計形状空間のベクトルの組
Ｄ：採寸値空間のベクトルの組
Ａ：相関学習モデル
＜ElasticNet＞
相関学習エンジン１０２は、ElasticNetであってもよい。
ElasticNetとは、一般化線形モデルの回帰に正則化項を加味するモデルであって、次元圧縮及び過学習防止の両方を実現する（例えば非特許文献４参照）。データ数に対して特徴量の数が非常に多い場合や、特徴量間に強い相関（多重共線性）がある場合に、通常の回帰モデル構築の際に用いられる２乗誤差などの目的関数に加え、Lpノルム（pは正整数）のような正則化項を加えて最適化するものをいう。p=1の時にLasso回帰、p=2の時にRidge回帰と称する。また、それぞれに用いられている正則化項をL1ノルム、L2ノルムと呼ぶ。
Lasso回帰は、L1ペナルティにより変数選択と次元圧縮を行う
Ridge回帰は、L2ペナルティにより係数を縮小して過学習を抑える。
Elastic NetはこれらLasso回帰とRidge回帰を線形結合したモデルである。
これによって、統計形状空間と採寸値空間との間で、デプス画像の１体毎に対応付けることができる。
［エンコード部１１１］
エンコード部１１１は、相関学習エンジン１０２を用いて、対象データとしての１体の次元数ｎの採寸値から、次元数ｍの成分変数へエンコードする。エンコードされた次元数ｍの成分変数は、採寸値を認識できない秘匿性を持つ。そのために、対象データの１体の次元数ｎの採寸値が守秘情報である場合に適する。
［デコード部１２２］
デコード部１２２は、統計学習エンジン１０１を用いて、エンコードされた次元数ｍの成分変数から、デプス画像にデコードする。
図８は、本発明によってデコードされたデプス画像の精度を表す説明図である。
図８（ａ）は、対象データとして、４つの異なるデプス画像Ａ〜Ｄを表す。
図８（ｂ）は、対象データのデプス画像Ａ〜Ｄそれぞれについて、統計学習エンジン１０１によって成分変数にエンコードし、その成分変数から統計学習エンジン１０１によってデコードしたデプス画像を表す。図８（ａ）と図８（ｂ）とを比較して、主成分分析によってエンコード及びデコードをしても、デプス画像がほぼ同一形状に維持されていることが理解できる。
図８（ｃ）は、対象データのデプス画像Ａ〜Ｄそれぞれについて、採寸値（10カ所）から相関学習エンジン１０２によって成分変数にエンコードし、その成分変数から統計学習エンジン１０１によってデコードしたデプス画像を表す。図８（ａ）と図８（ｃ）とを比較して、採寸値によってエンコード及びデコードしても、デプス画像がほぼ同一形状に維持されていることが理解できる。
図９は、デプス画像をタグにエンコード及びデコードする装置の機能構成図である。
図９によれば、図１と比較して、エンコードとしてのタグ作成部１１２と、デコードとしてのタグ読取部１２１とを有する。
［タグ作成部１１２］
タグ作成部１１２は、エンコード部１１１から出力された次元数ｍの成分変数を入力し、その成分変数を記述したタグを作成する。
［タグ読取部１２１］
タグ読取部１２１は、タグから、エンコードされた次元数ｍの成分変数を読み取る。読み取られた成分変数は、デコード部１２２へ出力される。
タグとしては、例えばＱＲ(Quick Response)コードであってもよい。ＱＲコードは、マトリックス型２次元コードであり、バイナリで最大2,953バイトを記述することができる。一般的なスマートフォンでは、ＱＲコードをディスプレイに表示することもできるし、そのＱＲコードをカメラで読み取ることができる。
本発明によれば、デプス画像を、4バイトで300次元とした場合、1200バイト（成分変数）で表すことができる。300バイトをＱＲコードに記述することができれば、例えばユーザ自らの体型を表すデプス画像を、ＱＲコードで明示することが可能となる。
また、タグとしては、ＱＲコードに限らず、又はＲＦＩＤ(Radio Frequency IDentifier)であってもよい。ＲＦＩＤとは、ＲＦタグに記述された情報を、電磁界や電波を用いた近距離無線通信によって通信する技術をいう。例えばFelica（登録商標）であって、電子マネーや乗車カードに用いられている。
本発明によれば、例えばデプス画像の成分変数を、ＲＦタグに記述しておくだけで、リーダによって瞬時に読み取らせることができる。ＲＦタグから成分変数を読み取ったリーダは、その成分変数に対応したデプス画像を瞬時にディスプレイに表示することもきる。
［教師データ形成部１００］
教師データ形成部１００は、＜Ｆ１：物体抽出機能＞と、＜Ｆ２：正規化機能＞とを有する。
図１０は、物体抽出機能の第１〜第３のステップを表す説明図である。
図１１は、物体抽出機能の第４〜第５のステップを表す説明図である。
＜Ｆ１：物体抽出機能＞
物体抽出機能は、以下の５つのステップを要する。
（Ｓ１）背景のみが映る第１のデプス画像を予め取得する。
（Ｓ２）前景と背景との両方を含む第２のデプス画像を入力する。
（Ｓ３）第１のデプス画像と第２のデプス画像とを比較して、ピクセル輝度の差の絶対値を導出する。
（Ｓ４）２値化処理によって２つのクラス（物体部分と非物体部分）に分離した２値画像を生成する。この２値化処理には、例えば「大津のアルゴリズム」を適用することができる。この判別分析法(discriminant analysis method)は、分離度(separation
metrics)という値が最大となる閾値を求め、自動的に２値化することができる。分離度は、クラス間分散(between-class variance)とクラス内分散(within-class variance)との比で求める。
（Ｓ５）Ｓ２で入力された第２のデプス画像から、Ｓ４で算出された２値化画像をマスク処理して、物体のみのデプス画像を抽出する。
＜Ｆ２：正規化機能＞
正規化機能は、以下の５つのステップを要する。
（Ｓ１）物体抽出機能によって抽出したデプス画像の画像平面上のピクセル座標p=(x,y,z)から、３次元座標P=(X,Y,Z)を計算する。
各点P＝(X,Y,Z)について、X＝x*z/f, Y＝y*z/f, Z＝z
＜既知のカメラ仕様＞
焦点距離(物理) F (mm)
焦点距離(ピクセル) f＝(fx,fy)=(F*sx,F*sy) (pixel)
ピクセルサイズ s＝(sx,sy) (pixel/mm)
（Ｓ２）物体のデプス画像からバウンディングボックスを特定し、その重心を決定する。
（Ｓ３）Ｓ２によって決定された重心に基づいて、デプス画像を所定の重心に平行移動する。
（Ｓ４）Ｓ３によって平行移動されたデプス画像に対して、画像平面上のピクセル座標を計算する。
各点p＝(x,y,z)について、x＝X*f/Z, y＝Y*f/Z, z=Z
（Ｓ５）Ｓ４によって計算されたピクセル座標は必ずしも整数値ではないので、補完を使って最終的なピクセル座標を計算する。
（Ｓ６）Ｓ５によって補完されたデプス画像を、教師データとして、統計学習エンジン１０１へ入力する。
図１２は、モデル種別に応じて学習エンジンを切り替える機能構成図である。
図１２によれば、異なるモデル種別のデプス画像それぞれに、教師データ群が用意されている。前述した実施形態によれば、デプス画像は人体であるとして説明したが、様々な物体であってもよい。
医療用途の場合、ＭＲＩ（核磁気共鳴画像法）やＣＴ（コンピュータ断層撮影）によって撮影した医用画像のＤＩＣＯＭデータから、例えば臓器毎のデプス画像を作成することできる。例えば臓器毎にモデル種別を付与することによって、モデル種別に応じてデプス画像を切り替えることができる。
異なるモデル種別のデプス画像それぞれに、教師データ群が用意される。そして、統計学習エンジン１０１及び相関学習エンジン１０２は、モデル種別毎に、異なる教師データ群によって複数個備えられる。
エンコード側として、エンコード部１１１は、対象データにおける次元数ｎの採寸値と、その対象データのモデルＩＤ（モデル種別識別子）とを入力する。そして、エンコード部１１１は、そのモデルＩＤに対応した相関学習エンジン１０２を用いて、次元数ｍの成分変数にエンコードする。
タグ作成部１１２は、モデルＩＤと、当該モデルＩＤに基づく次元数ｍの成分変数とを対応付けてタグに記述する。
デコード側として、タグ読取部１２１は、タグから、モデルＩＤと、当該モデルＩＤに基づく次元数ｍの成分変数とを読み取る。
デコード部１２２は、読み取られた次元数ｍの成分変数から、当該モデルＩＤに対応する相関学習エンジン１０２を用いて、デプス画像へデコードする。
＜採寸値の欠損値推定＞
図１３は、本発明における欠損値を推定する採寸値空間を表す説明図である。
図１４は、本発明における欠損値推定を表す簡易なコードである。
採寸値空間は、教師データ群のデプス画像に対応付けられた、固定の次元数ｎ（＝10）の採寸値を表すものである。
ここで、本発明によれば、対象データとして１体の次元数ｎの採寸値について、ｋ（＜ｎ）個の採寸値のみが決定され、その他のｎ−ｋ個の採寸値が欠損していてもよい。即ち、本発明によれば、教師データ群によって例えば10次元の採寸値空間から相関学習モデルを構築したとしても、例えばｋ＝3個の採寸箇所の採寸値のみを入力することによって、次元数ｍの成分変数を推定することができる。
図１３によれば、採寸値（10次元）空間上に、超楕円体の等値面が表されている。超楕円体とは、楕円を次元数ｎ（＝10）次元へ拡張したような図形をいう。等値面とは、その次元（＝10）上に描かれる等高線図をいう。ここで、分散共分散行列Ｃ＝ＤT*Ｄは既知であるとする。
超楕円体を表す二次形式（ｘ：列ベクトル）
ｆ(ｘ)＝ｘT*Ｃ-1*ｘ
Ｃ-1：対称行列
※実際には分散共分散行列はＣ＝ＤT*Ｄ／教師データ群数
※-1は、逆行列を示す
本発明によれば、ｋ個の採寸値を束縛条件として、最適化された他のｎ−ｋ個の採寸値を含む次元数ｍの成分変数を算出する。これには、ラグランジュの未定乗数法(method of Lagrange multiplier)を用いる。
ラグランジュの未定乗数法とは、束縛条件のもとで最適化する解析方法であって、いくつかの変数に対して、いくつかの関数の値を固定するという束縛条件のもとで、別のある１つの関数の極値を求めるという問題を考える。各束縛条件に対して、定数（未定乗数、Lagrange multiplier）を用意し、これらを係数とする線形結合を新しい関数（未定乗数も新たな変数とする）として考えることで、束縛問題を普通の極値問題として解く。
制約条件ｇj(ｘ1,・・・,ｘn)＝０（j＝1,・・・,k）の下で、関数ｆ(ｘ1,・・・,ｘn)が極値をとる点について、
Ｆ(ｘ1,・・・,ｘn,λ1,・・・,λk)
＝ｆ(ｘ1,・・・,ｘn)＋Σλjｇj(ｘ1,・・・,ｘn)
とすることによって、以下の式を満たす。
dＦ／dｘi＝０ （i＝1,・・・,n）
dＦ／dλj＝０ （j＝1,・・・,k）
採寸値の欠損値推定の場合に、k個の採寸値が与えられた場合、制約条件ｇj(ｘ)＝０（j＝1,・・・,k）は、10次元空間上のアフィン超平面を表す一次方程式であり、以下の式で表される。
アフィン超平面を表す一次方程式
ｇj(ｘ)＝ｎj T*(ｘ−ｐj)＝０
n：超平面の法線ベクトル
p：超平面上の点
特に、それぞれの超平面は基底に直交する（nの方向が基底方向に一致する）ために、以下のようになる。
ｇj(ｘ)＝ｘi−ｙj＝０
ｙj：j番目の採寸値
ｘi：対応するｘの要素
制約条件の下で、関数ｆ(ｘ)の最小値を求めることは、与えられた採寸値の下で、平均に最も近い体型を求めることとなる。
10次元空間の場合、具体的には、以下のように表される。
ｘ：10次元列ベクトル
ｙ：k個の採寸値を含む10次元列ベクトル (k個以外の採寸値の値は任意)
λ：ラグランジュ乗数を要素とするk次元列ベクトル
Ｏ：k行10列の行列 各行は与えられた採寸値に応じたone-hot行ベクトル
Ｃ：分散共分散行列
ｆ(ｘ)＝1/2*ｘT*Ｃ-1*ｘ
ｇ(ｘ)＝Ｏ*(ｙ−ｘ)
Ｆ(ｘ)＝ｆ(ｘ)＋λT*ｇ(ｘ)
dＦ／dｘ＝Ｃ-1*ｘ−ＯT*λ＝０ （１）
dＦ／dλ＝Ｏ*(ｙ−ｘ)＝０ （２）
（１）より、ｘ＝Ｃ*ＯT*λ （３）
（３）を（２）に代入
Ｏ*ｙ−Ｏ*Ｃ*ＯT*λ＝０
λ＝(Ｏ*Ｃ*ＯT)-1*Ｏ*ｙ
λを（３）に代入
ｘ＝Ｃ*ＯT*(Ｏ*Ｃ*ＯT)-1*Ｏ*ｙ
図１５は、本発明におけるデプス画像と採寸値とＱＲコードとを表すユーザインタフェースである。
このユーザインタフェースによれば、採寸値に対応するデプス画像と、そのデプス画像の成分変数が記述されたＱＲコードとを、一見することができる。特に、ＱＲコードを、カメラによって読み取らせるだけで、デプス画像を共有することできる。
図１６は、本発明におけるデプス画像から採寸値を推定する装置の機能構成図である。
図１６の装置によれば、図１と逆に、対象データとしての１体のデプス画像を入力することによって、複数の採寸値を推定することができる。
図１６によれば、装置１は、図１と同様に、教師データ形成部１００と、統計学習エンジン１０１及び相関学習エンジン１０２を有すると共に、更に、逆デコード部１３２及び逆エンコード部１３１を有する。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現できる。
［逆デコード部１３２］
逆デコード部１３２は、統計学習エンジン１０１を用いて、対象データとしての１体のデプス画像から、当該次元数ｍの成分変数へ逆デコードする。その次元数ｍの成分変数は、逆エンコード部１３１へ出力される。
［逆エンコード部１３１］
逆エンコード部１３１は、相関学習エンジン１０１を用いて、当該次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする。その次元数ｎの採寸値は、逆デコード部１３２へ入力されたデプス画像に対応するものである。
以上、詳細に説明したように、本発明のプログラム及び装置によれば、採寸値とデプス画像とを相互に生成すると共に、極めて小さいデータ容量にエンコード及びデコードすることができる。
本発明によれば、例えば以下のような用途に適する。
（用途１）ユーザ所持のスマートフォンを用いて、自らの体型の採寸値を入力し、成分変数を含むＱＲコードを作成しておく。そのＱＲコードを、転送先の装置のカメラへかざすことによって、自らの体型を表すデプス画像を瞬時に送信することができる。
逆に、ユーザ所持のスマートフォンを用いて、自らの体型のデプスカメラによって撮影したデプス画像を入力し、成分変数を含むＱＲコードを作成しておく。そのＱＲコードを、転送先の装置のカメラへかざすことによって、自らの採寸値を瞬時に送信することができる。
（用途２）衣料品業界の用途として、洋服の採寸値を入力することによって、その洋服に適したデプス画像を作成することができる。
（用途３）医療業界の用途として、ユーザのＤＩＣＯＭデータに基づくデプス画像を成分変数にエンコードしておくことによって、そのユーザの様々な臓器等の医用デプス画像をタグやＲＦＩＤに記憶させておき、瞬時に転送することができる。
（用途４）広告業界の用途として、ユーザから読み取った成分変数からデプス画像を再生し、そのデプス画像をそのユーザのキャラクタとして、サイネージディスプレイに表示させることができる。
（用途５）エンコードされた成分変数は、第三者が容易に認識することができず、個人情報の守秘性を持つ。
前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。
１ 装置
１００ 教師データ形成部
１０１ 統計学習エンジン
１０２ 相関学習エンジン
１１１ エンコード部
１１２ タグ作成部
１２１ タグ読取部
１２２ デコード部
１３１ 逆エンコード部
１３２ 逆デコード部

Claims (22)

  1. 対象データとしての１体の次元数ｎの採寸値から、デプス画像を生成する装置に搭載されたコンピュータを機能させるプログラムであって、
    教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
    教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
    教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
    相関学習エンジンを用いて、対象データとしての１体の次元数ｎの採寸値から次元数ｍの成分変数へエンコードするエンコード手段と、
    統計学習エンジンを用いて、当該次元数ｍの成分変数からデプス画像にデコードするデコード手段と
    してコンピュータを機能させることを特徴とするプログラム。
  2. デプス画像をエンコードする装置に搭載されたコンピュータを機能させるプログラムであって、
    教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
    教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
    教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
    相関学習エンジンを用いて、対象データとしての１体の次元数ｎの採寸値から次元数ｍの成分変数へエンコードするエンコード手段と
    してコンピュータを機能させることを特徴とするプログラム。
  3. 前記エンコード手段は、
    対象データとして１体の次元数ｎの採寸値について、ｋ（＜ｎ）個の採寸値のみ決定され、その他のｎ−ｋ個の採寸値が欠損していても、次元数ｍの成分変数を推定するために、
    ｋ個の採寸値を束縛条件として、最適化された他のｎ−ｋ個の採寸値を含む次元数ｍの成分変数を算出する
    ようにコンピュータを機能させることを特徴とする請求項２に記載のプログラム。
  4. 前記エンコード手段は、ラグランジュの未定乗数法(method of Lagrange multiplier)を用いる
    ようにコンピュータを機能させることを特徴とする請求項３に記載のプログラム。
  5. エンコードされた次元数ｍの成分変数を記述したタグを作成するタグ作成手段と
    して更にコンピュータを機能させることを特徴とする請求項２から４のいずれか１項に記載のプログラム。
  6. 異なるモデル種別のデプス画像それぞれに、教師データ群が用意され、
    統計学習エンジン及び相関学習エンジンは、モデル種別毎に、異なる教師データ群によって複数個備えられ、
    前記エンコード手段は、次元数ｎの採寸値に基づくモデル識別子に対応した相関学習エンジンを用いて、次元数ｎの採寸値から次元数ｍの成分変数へエンコードし、
    前記タグ作成手段は、モデル種別識別子と、当該モデル種別識別子に基づく次元数ｍの成分変数とを対応付けてタグに記述する
    ようにコンピュータを機能させることを特徴とする請求項５に記載のプログラム。
  7. 次元数ｍの成分変数から、デプス画像へデコードする装置に搭載されたコンピュータを機能させるプログラムであって、
    教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
    教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
    教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
    統計学習エンジンを用いて、対象データとしての次元数ｍの成分変数からデプス画像にデコードするデコード手段と
    してコンピュータを機能させることを特徴とするプログラム。
  8. 前記デコード手段は、対象データとしての次元数ｍの成分変数から、相関学習エンジンを用いて、次元数ｎの採寸値を導出する
    ようにコンピュータを機能させることを特徴とする請求項７に記載のプログラム。
  9. 次元数ｍの成分変数が記述されたタグから、次元数ｍの成分変数を読み取るタグ読取手段と
    してコンピュータを機能させることを特徴とする請求項７又は８に記載のプログラム。
  10. 異なるモデル種別のデプス画像それぞれに、教師データ群が用意され、
    統計学習エンジン及び相関学習エンジンは、モデル種別毎に、異なる教師データによって複数個備えられ、
    前記タグ読取手段は、タグから、モデル種別識別子と、当該モデル種別識別子に基づく次元数ｍの成分変数とを読み取り、
    前記デコード手段は、読み取られたモデル種別識別子に対応した相関学習エンジンを用いて、次元数ｍの成分変数からデプス画像へデコードする
    してコンピュータを機能させることを特徴とする請求項９に記載のプログラム。
  11. 前記タグは、ＱＲ(Quick Response、登録商標)コード又はＲＦＩＤ(Radio Frequency IDentifier)である
    ようにコンピュータを機能させることを特徴とする請求項５、６、９又は１０に記載のプログラム。
  12. デプス画像は、人体又は物体の形状データであり、
    教師データ群の複数体数は、デプス画像の点数よりも少ないものである
    ようにコンピュータを機能させることを特徴とする請求項１から１１のいずれか１項に記載のプログラム。
  13. 統計学習エンジンは、主成分分析(Principal Component Analysis)又はAutoEncoderに基づくものであり、
    相関学習エンジンは、最小二乗法又はElasticNetに基づくものである
    ようにコンピュータを機能させることを特徴とする請求項１から１２のいずれか１項に記載のプログラム。
  14. 対象データとしての１体の次元数ｎの採寸値から、デプス画像を生成する装置であって、
    教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
    教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
    教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
    相関学習エンジンを用いて、対象データとしての１体の次元数ｎの採寸値から次元数ｍの成分変数へエンコードするエンコード手段と、
    統計学習エンジンを用いて、当該次元数ｍの成分変数からデプス画像にデコードするデコード手段と
    を有することを特徴とする装置。
  15. デプス画像をエンコードする装置であって、
    教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
    教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
    教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
    相関学習エンジンを用いて、対象データとしての１体の次元数ｎの採寸値を入力し、次元数ｍの成分変数へエンコードするエンコード手段と
    を有することを特徴とする装置。
  16. 次元数ｍの成分変数から、デプス画像へデコードする装置であって、
    教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
    教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
    教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
    対象データとしての次元数ｍの成分変数から、統計学習エンジンを用いて、デプス画像にデコードするデコード手段と
    を有することを特徴とする装置。
  17. デプス画像から、１体の次元数ｎの採寸値を推定する装置に搭載されたコンピュータを機能させるプログラムであって、
    教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
    教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
    教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
    統計学習エンジンを用いて、対象データとしての１体のデプス画像から、当該次元数ｍの成分変数へ逆デコードする逆デコード手段と
    相関学習エンジンを用いて、当該次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする逆エンコード手段と
    してコンピュータを機能させることを特徴とするプログラム。
  18. デプス画像を逆デコードする装置に搭載されたコンピュータを機能させるプログラムであって、
    教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
    教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
    教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
    統計学習エンジンを用いて、対象データとしての１体のデプス画像から、当該次元数ｍの成分変数へ逆デコードする逆デコード手段と
    してコンピュータを機能させることを特徴とするプログラム。
  19. 次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする装置に搭載されたコンピュータを機能させるプログラムであって、
    教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
    教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
    教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
    相関学習エンジンを用いて、当該次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする逆エンコード手段と
    してコンピュータを機能させることを特徴とするプログラム。
  20. デプス画像から、１体の次元数ｎの採寸値を推定する装置であって、
    教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
    教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
    教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
    統計学習エンジンを用いて、対象データとしての１体のデプス画像から、当該次元数ｍの成分変数へ逆デコードする逆デコード手段と
    相関学習エンジンを用いて、当該次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする逆エンコード手段と
    を有することを特徴とする装置。
  21. デプス画像を逆デコードする装置であって、
    教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
    教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
    教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
    統計学習エンジンを用いて、対象データとしての１体のデプス画像から、当該次元数ｍの成分変数へ逆デコードする逆デコード手段と
    を有することを特徴とする装置。
  22. 次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする装置であって、
    教師データ群として、デプス画像毎に、複数の採寸箇所に対応する次元数ｎの採寸値が対応付けられており、
    教師データ群の複数体のデプス画像から、次元圧縮された次元数ｍの成分変数を出力すると共に、統計学習モデルを構築する統計学習エンジンと、
    教師データ群の複数体のデプス画像から、次元数ｎの採寸値と、次元数ｍの成分変数との相関学習モデルを構築する相関学習エンジンと、
    相関学習エンジンを用いて、当該次元数ｍの成分変数から、次元数ｎの採寸値へ逆エンコードする逆エンコード手段と
    を有することを特徴とする装置。
JP2018212569A 2018-11-12 2018-11-12 採寸値とデプス画像とを相互に生成するプログラム及び装置 Active JP6749381B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018212569A JP6749381B2 (ja) 2018-11-12 2018-11-12 採寸値とデプス画像とを相互に生成するプログラム及び装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018212569A JP6749381B2 (ja) 2018-11-12 2018-11-12 採寸値とデプス画像とを相互に生成するプログラム及び装置

Publications (2)

Publication Number Publication Date
JP2020080020A JP2020080020A (ja) 2020-05-28
JP6749381B2 true JP6749381B2 (ja) 2020-09-02

Family

ID=70801761

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018212569A Active JP6749381B2 (ja) 2018-11-12 2018-11-12 採寸値とデプス画像とを相互に生成するプログラム及び装置

Country Status (1)

Country Link
JP (1) JP6749381B2 (ja)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130081037A (ko) * 2012-01-06 2013-07-16 한국전자통신연구원 인체 치수 측정 시스템 및 그 방법
US10796480B2 (en) * 2015-08-14 2020-10-06 Metail Limited Methods of generating personalized 3D head models or 3D body models
JP6988406B2 (ja) * 2017-11-27 2022-01-05 富士通株式会社 手位置検出方法、手位置検出装置、及び手位置検出プログラム

Also Published As

Publication number Publication date
JP2020080020A (ja) 2020-05-28

Similar Documents

Publication Publication Date Title
JP6424309B1 (ja) 採寸値に基づく３次元モデルを生成するプログラム及び装置
US20230063306A1 (en) Method for object recognition
CN110599395B (zh) 目标图像生成方法、装置、服务器及存储介质
JP6892569B2 (ja) 人体に基づくデプス画像と組成値とを対応付ける装置
CN111047548A (zh) 姿态变换数据处理方法、装置、计算机设备和存储介质
CN106780662B (zh) 人脸图像生成方法、装置及设备
Su et al. Color and depth priors in natural images
Zhu et al. Image interpolation based on non-local geometric similarities and directional gradients
Konda et al. Unsupervised learning of depth and motion
CN114298997B (zh) 一种伪造图片检测方法、装置及存储介质
Chowdhary et al. Singular value decomposition–principal component analysis-based object recognition approach
Srivastava et al. Multifocus noisy image fusion using contourlet transform
WO2005050533A2 (en) Image clustering with metric, local linear structure, and affine symmetry
JP6749381B2 (ja) 採寸値とデプス画像とを相互に生成するプログラム及び装置
JP2008171074A (ja) 三次元形状モデル生成装置、三次元形状モデル生成方法、コンピュータプログラム、及び三次元形状モデル生成システム
JP6667785B1 (ja) ３次元モデルとデプス画像とを対応付けて学習するプログラム
CN114913104B (zh) 图像处理方法、图像处理装置、电子设备及存储介质
Moradi et al. Combining and Steganography of 3d face textures
US11922649B2 (en) Measurement data calculation apparatus, product manufacturing apparatus, information processing apparatus, silhouette image generating apparatus, and terminal apparatus
JP7141610B1 (ja) スキンモデルから骨格に基づく姿勢を統計的に分析するプログラム、装置及び方法
CN110781802B (zh) 一种基于信息论流形的人脸图像识别方法
Cao et al. Nmf based image sequence analysis and its application in gait recognition
Baek et al. Parametric human body modelling system for virtual garment fitting
Zhai et al. An efficient classification method based on principal component and sparse representation
CN116703687B (zh) 图像生成模型处理、图像生成方法、装置和计算机设备

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181112

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200108

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200711

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200728

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200730

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200730

R150 Certificate of patent or registration of utility model

Ref document number: 6749381

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250